Zurich 3D

library(sf)
library(leaflet)
library(rgdal)
library(RColorBrewer)
library(knitr)
library(kableExtra) # nice tables
library(fasterize) # -->Raster
library(raster)  # ACHTUNG raster() masked von "raster"
library(DT) # also nice tables (interactive sorting)
library(RCurl) # upload to ftp
library(tidyverse) # ACHTUNG raster() masked von "raster"

# Historsichwer vergleich: https://www.stadt-zuerich.ch/content/prd/de/index/statistik/publikationen-angebote/publikationen/webartikel/2018-01-30_Zuerich-waechst-in-die-Breite-und-in-die-Hoehe.html

options(encoding = "UTF-8")

url_wd = "D:/Tamedia/GSync/Datenteam/Projekte/202008_Zurich3D"

setwd(url_wd)
print(getwd())

1 Übersicht

Analyse der Entwicklung der Gebäudehöhen in der Stadt Zürich zwischen 2012 und jetzt (August 2020).

2 Daten

2.1 Quartierdefinitionen

Von Zürich Open Data

## Read Quartiergrenzen from Shapefile
grenzen <- st_read("Data_input/Quartiergrenzen/data/stzh.adm_statistische_quartiere_map_polygon.shp")
plot(grenzen$geometry, main = "Statistische Quartiere")  

knitr::kable(grenzen, digits = 0) %>%
  kable_styling(bootstrap_options = "striped", full_width = F, fixed_thead = T) %>% 
  scroll_box(height = "200px", fixed_thead = TRUE)

# datatable(st_drop_geometry(grenzen), class = 'cell-border stripe')

2.2 Gebäudedata

Daten von Zürich Open Data. Shapefiles mit den Grundrissen aller Gebäude. Die Höhe der Gebäude ist als Attribut hinterlegt (2.5 D)

aktueller Stand: https://data.stadt-zuerich.ch/dataset/geo_3d_blockmodell_lod1

Stand 2012: https://data.stadt-zuerich.ch/dataset/geo_3d_blockmodell_lod1_jahresendstand_2012

Detailiertere Metadatenbeschreibung: https://www.stadt-zuerich.ch/content/dam/stzh/ted/Deutsch/geoz/Geodaten_und_Plaene/Formulare_und_%20Merkblaetter/Technische_Datenbeschreibung_3D_Produkte.pdf

„Quelle: Stadt Zürich“

Es sind sowohl real existierende Gebäude erfasst, als auch eingereichte oder freigegebene Baubewilligungen. Für den Stand 2012 werden nur die real existierenden Gebäude und bewilligten Baubewilligungen berücksichtigt. Für den aktuellen Stand werden auch die eingereichten, aber noch nicht freigegebenen Baubewilligungen berücksichtigt.

Eingelesen werden die aufbereiteten Daten, bei denen bereits der Kreis und das Quartier für alle Gebäude hinterlegt wurden:

## read data ####
## Und korrigiere sofort alle Höhen um 3 Meter nach unter, weil diese von 3 Metern im Boden aus gemessen werden

shp_2_5_2012_all <- st_read("Data_output/2012_buildings.geojson", stringsAsFactors = FALSE, as_tibble=TRUE) %>%
  mutate(h_boden = h_boden + 3) %>%
  mutate(h_rel_trau = h_rel_trau - 3) %>%
  mutate(h_rel_firs = h_rel_firs - 3) %>%
  mutate(h_rel_mean = h_rel_mean - 3)

## Reading layer `2012_buildings' from data source `D:\Tamedia\GSync\Datenteam\Projekte\202008_Zurich3D\Data_output\2012_buildings.geojson' using driver `GeoJSON'
## Simple feature collection with 53222 features and 23 fields
## geometry type:  POLYGON
## dimension:      XY
## bbox:           xmin: 2677118 ymin: 1241839 xmax: 2689381 ymax: 1254150
## projected CRS:  CH1903+ / LV95

shp_2_5_aktuell_all <- st_read("Data_output/aktuell_buildings.geojson", stringsAsFactors = FALSE, as_tibble=TRUE) %>%
  mutate(h_boden = h_boden + 3) %>%
  mutate(h_rel_trau = h_rel_trau - 3) %>%
  mutate(h_rel_firs = h_rel_firs - 3) %>%
  mutate(h_rel_mean = h_rel_mean - 3)

## Reading layer `Aktuell_buildings' from data source `D:\Tamedia\GSync\Datenteam\Projekte\202008_Zurich3D\Data_output\Aktuell_buildings.geojson' using driver `GeoJSON'
## Simple feature collection with 59172 features and 23 fields
## geometry type:  POLYGON
## dimension:      XY
## bbox:           xmin: 2677118 ymin: 1241839 xmax: 2689381 ymax: 1254149
## projected CRS:  CH1903+ / LV95

Ausschnitt Daten:

knitr::kable(shp_2_5_aktuell_all[1:5, ], caption =  "", digits = 0) %>%
  kable_styling(bootstrap_options = "striped", full_width = F, fixed_thead = T) %>%
  scroll_box(width = "1080", height = "250px", fixed_thead = TRUE)

adat	art	ausr	bem	dach	edat	egid	filt	gid_3d	h_boden	h_trauf	h_first	h_mean	h_rel_trau	h_rel_firs	h_rel_mean	ogid	otype	qumess	sta	wichtig	Kreis	Quartier	geometry
20140925	0	BATCHUSER	OKMESS	6000	20090101	2372735	08	z41ac39cc00001a74-00-0001	409	416	416	416	8	8	8	z41ac39cc00001a74	BB	NA	real	NA	Kreis 1	Lindenhof	POLYGON ((2683300 1247729, …
20140925	0	BATCHUSER	OK	NA	20090101	140856	08	z41ac39cc00001bb0-00-0001	408	421	428	425	14	21	17	z41ac39cc00001bb0	BB	NA	real	NA	Kreis 1	Lindenhof	POLYGON ((2683327 1247163, …
20140925	1	BATCHUSER	OK	NA	20090101	140848	08	z41ac39cc00001bb3-00-0001	408	421	425	423	13	17	15	z41ac39cc00001bb3	BB	NA	real	NA	Kreis 1	Lindenhof	POLYGON ((2683316 1247196, …
20190730	1	BATCHUSER	OK	NA	20090101	140766	08	z41ac39cc00001b48-00-0001	411	418	418	418	7	7	7	z41ac39cc00001b48	BB	NA	real	NA	Kreis 1	Lindenhof	POLYGON ((2683129 1247439, …
20140925	0	BATCHUSER	OK	NA	20090101	2372673	08	z41ac39cc00001b49-00-0001	409	429	435	432	20	25	23	z41ac39cc00001b49	BB	NA	real	NA	Kreis 1	City	POLYGON ((2682898 1247206, …

Status der Gebäude:
* Baubewilligung eingereicht
* Baubewilligung freigegeben
* Gebäude erstellt * Gebäude real existierend

print("2012:")
table(shp_2_5_2012_all$sta)

print("Aktuell:")
table(shp_2_5_aktuell_all$sta)

## [1] "2012:"
## 
## eingereicht    erstellt freigegeben        real 
##        1186         134         447       51455 
## [1] "Aktuell:"
## 
## eingereicht    erstellt freigegeben        real 
##        1461         356         449       56906

Grundfläche und Volumen pro Gebäude werden berechnet.

## calculate average height per quarter ####

# add area per building
shp_2_5_2012_all <- shp_2_5_2012_all %>%  mutate(area = as.numeric(st_area(shp_2_5_2012_all)))
shp_2_5_aktuell_all <- shp_2_5_aktuell_all %>%  mutate(area = as.numeric(st_area(shp_2_5_aktuell_all)))


# add volume per building FIRSTHöHE
shp_2_5_2012_all <- shp_2_5_2012_all %>%  mutate(volume_firs = area * h_rel_firs)
shp_2_5_aktuell_all <- shp_2_5_aktuell_all %>%  mutate(volume_firs = area * h_rel_firs)

# add volume per building TRAUFFHöHE
shp_2_5_2012_all <- shp_2_5_2012_all %>%  mutate(volume_trauf = area * h_rel_trau)
shp_2_5_aktuell_all <- shp_2_5_aktuell_all %>%  mutate(volume_trauf = area * h_rel_trau)

2.3 Daten Einschränkung

Es werden nur eigentliche Gebäude (Typ BB, Bodenbedeckung) berücksichtigt. Sogenannte “Einzelobjekte” (EO) werden nicht berücksichtigt (dies sind z.b. Brücken, Auffahrten zu Parkhäusern, aber auch die Bahnhofshalle)

Folgende Gebäudetypen werden unterschieden:
BB00: Gebaeude_Verwaltung
BB01: Gebaeude_Wohngebaeude
BB02: Gebaeude_Land_Forstwirtschaft
BB03: Gebaeude_Verkehr
BB04: Gebaeude_Handel
BB05: Gebaeude_Industrie_Gewerbe
BB06: Gebaeude_Gastgewerbe
BB07: Gebaeude_Nebengebaeude
EO08: Bruecke_Passerelle
EO12: Pfeiler
EO13: Unterstand
EO14: Silo_Turm_Gasometer
EO16: Hochkamin
EO18: Mast_Antenne

# colnames(shp_2_5_aktuell_all)
# table(shp_2_5_aktuell_all$art)
# table(shp_2_5_aktuell_all$otype)
# table(shp_2_5_aktuell_all$bem)
# shp_2_5_aktuell_all$egid
# 
# 
# aa <- shp_2_5_aktuell_all %>% filter(otype == "EO") %>% st_transform(4326) %>% filter(art == 6)
# table(aa$art)
# 
# m <- leaflet() %>% addTiles() %>%
#                    addPolygons(data = aa, color = "black", weight = 10, fillOpacity = 0.5,
#                                 popup = ~str_c('status: ', sta, "<br>"))
# m

2.4 Daten Check

Es gibt Overlaps der Gebäudegeometrien:
* Geometrien die aneinandergrenzen überlappen sich manchmal minimal –> Kein Problem.
* Bei gewissen Bauten ist sowohl ein “reales” Gebäude erfasst als auch ein Bauprojekt mit bewilligter Genehmigung. Das ist ein Problem für die Auswertung.

Es wird Folgendes gemacht um dieses Problem zu umgehen: * Bei Überlappungen 2012 werden nur bestehende Bauten berücksichtigt (dies entspricht “real” und “erstellt” im sta-Attribut) und aktuell nur die Bauprojekte. Wenn keine Überlappungen herrshen werden reale Gebäude und Bauprojekte berücksichtigt.

#### Data Check
# Auflösen der Überlappungen zwischen existierenden Gebäuden und Bauprojekten.
# Wenn use_fancy=TRUE werden 2012 nur Bestehende Bauten zu berücksichtigen und aktuell nur die Bauprojekte.
# Wenn use_fancy=FALSE werden immer nur die "realen" Bauten berücksichtigt

use_fancy = TRUE

#### Data Check
# Auflösen der Überlappungen zwischen existierenden Geäbuden und Bauprojekten.
# Ziel ist bei Überalppungen, 2012 nur Bestehende Bauten zu berücksichtigen und aktuell nur die Bauprojekte.

if(use_fancy){
  
  quartier_namen <- grenzen$qname
    
  dat_2012_freigegeben <- shp_2_5_2012_all %>% filter(sta == "freigegeben") %>% 
                                               filter(otype == "BB") %>% filter(Quartier %in% quartier_namen)
  dat_2012_real        <- shp_2_5_2012_all %>% filter(sta %in% c("real", "erstellt")) %>% 
                                               filter(otype == "BB") %>% filter(Quartier %in% quartier_namen)
                                               
  dat_aktuell_freigegeben <- shp_2_5_aktuell_all %>% filter(sta == "freigegeben") %>%
                                                     filter(otype == "BB") %>% filter(Quartier %in% quartier_namen)
  dat_aktuell_real        <- shp_2_5_aktuell_all %>% filter(sta  %in% c("real", "erstellt")) %>%
                                                     filter(otype == "BB") %>% filter(Quartier %in% quartier_namen)
  
  
  ### Check intersections zwischen real und freigegebenen Projekten
  
  ## 2012
  complete_2012 <- rbind(dat_2012_real, dat_2012_freigegeben) # Reihenfolge ist wichtig! Erst real, dann freigegeben! Weil die freigegebenen die überlappt werden, werden entfernt!
  
  # loope durch alle Quartiere, viel schneller!
  differences_2012 <- data.frame()
  for (quartier_name in quartier_namen){
    print(quartier_name)
    differences_2012 <- rbind(differences_2012, st_difference(complete_2012[complete_2012$Quartier == quartier_name, ]))
  }
  
  # für graphischen check
  # d_2012_freigegeben <- differences_2012 %>% filter(sta == "freigegeben") %>% filter(Quartier == "Escher Wyss") %>% st_transform(4326)
  # d_2012_real <- differences_2012 %>% filter(sta %in% c("real", "erstellt")) %>% filter(Quartier == "Escher Wyss") %>% st_transform(4326)
  # 
  # # für graphischen check
  # m <- leaflet() %>% addTiles() %>% addPolygons(data = d_2012_freigegeben, color = "purple", opacity = 0.4,
  #                                               popup = ~str_c('status: ', sta, "<br>",
  #                                                              'Traufhöhe: ', h_rel_trau, "<br>",
  #                                                              'EGID: ', egid)) %>%
  #                                   addPolygons(data = d_2012_real, color = "yellow", opacity = 0.4,
  #                                               popup = ~str_c('status: ', sta, "<br>",
  #                                                              'Traufhöhe: ', h_rel_trau, "<br>",
  #                                                              'EGID: ', egid))
  # m
  
  
  ## aktuell
  # Reihenfolge ist wichtig! Erst FREIGEGEBEN dann real! Weil die realen die überlappt werden, werden entfernt!
  complete_aktuell <- rbind(dat_aktuell_freigegeben, dat_aktuell_real)
  
  # loope durch alle Quartiere, viel schneller!
  differences_aktuell <- data.frame()
  for (quartier_name in quartier_namen){
    print(quartier_name)
    differences_aktuell <- rbind(differences_aktuell, st_difference(complete_aktuell[complete_aktuell$Quartier == quartier_name, ]))
    
  }
  
  # für graphischen check
  # d_aktuell_freigegeben <- differences_aktuell %>% filter(sta == "freigegeben") %>% filter(Quartier == "Escher Wyss") %>% st_transform(4326)
  # d_aktuell_real <- differences_aktuell %>% filter(sta == "real") %>% filter(Quartier == "Escher Wyss") %>% st_transform(4326)
  # 
  # m <- leaflet() %>% addTiles() %>% addPolygons(data = d_aktuell_freigegeben, color = "purple", opacity = 0.4,
  #                                               popup = ~str_c('status: ', sta, "<br>",
  #                                                              'Traufhöhe: ', h_rel_trau, "<br>",
  #                                                              'EGID: ', egid)) %>%
  #                                   addPolygons(data = d_aktuell_real, color = "yellow", opacity = 0.4,
  #                                               popup = ~str_c('status: ', sta, "<br>",
  #                                                              'Traufhöhe: ', h_rel_trau, "<br>",
  #                                                              'EGID: ', egid))
  # m
}

3 Analyse Gebäudehöhen

3.1 Veränderung Ø-Gebäudehöhe (ganze Stadt)

Berücksichtigte Gebäude: Siehe Kapitel “Daten Check”.

Die Gebäudehöhen werden gewichtet mit der jeweiligen Grundfläche.

## Übernahme der Daten aus "Daten Check"

if(use_fancy){
  
  buildings_2012 <- differences_2012
  buildings_aktuell <- differences_aktuell
  
} else{
  
## oder einfachere Lösung anwenden, bei Bedarf:
  buildings_2012 <- shp_2_5_2012_all %>% filter(sta %in% c("real", "erstellt")) %>%
                                       filter(otype == "BB")
  buildings_aktuell <- shp_2_5_aktuell_all %>% filter(sta %in% c("real", "erstellt")) %>%
                                             filter(otype == "BB")
}

3.1.1 Firsthöhe

Durchschnittliche Gebäudehöhe in der Ganzen Stadt basierend auf der Firsthöhe:

height_2012_average <- sum(buildings_2012$volume_firs) / sum(buildings_2012$area)
height_aktuell_average <- sum(buildings_aktuell$volume_firs) / sum(buildings_aktuell$area)
dif_height_average <- height_aktuell_average - height_2012_average

print("Firsthöhe: ")
print(str_c("Durchschnittliche Höhe 2012: ", round(height_2012_average, 2), " m"))
print(str_c("Durchschnittliche Höhe Aktuell: ", round(height_aktuell_average, 2), " m"))
print(str_c("Die Stadt ist also heute im Durchschnitt ", round(dif_height_average, 2), " m höher als 2012"))

## [1] "Firsthöhe: "
## [1] "Durchschnittliche Höhe 2012: 15.61 m"
## [1] "Durchschnittliche Höhe Aktuell: 15.82 m"
## [1] "Die Stadt ist also heute im Durchschnitt 0.2 m höher als 2012"

3.1.2 Traufhöhe

Durchschnittliche Gebäudehöhe in der Ganzen Stadt basierend auf der Traufhöhe:

height_2012_average <- sum(buildings_2012$volume_trauf) / sum(buildings_2012$area)
height_aktuell_average <- sum(buildings_aktuell$volume_trauf) / sum(buildings_aktuell$area)
dif_height_average <- height_aktuell_average - height_2012_average

print("Trauffhöhe:")
print(str_c("Durchschnittliche Höhe 2012: ", round(height_2012_average, 2), " m"))
print(str_c("Durchschnittliche Höhe Aktuell: ", round(height_aktuell_average, 2), " m"))
print(str_c("Die Stadt ist also heute im Durchschnitt ", round(dif_height_average, 2), " m höher als 2012"))

## [1] "Trauffhöhe:"
## [1] "Durchschnittliche Höhe 2012: 12.07 m"
## [1] "Durchschnittliche Höhe Aktuell: 12.69 m"
## [1] "Die Stadt ist also heute im Durchschnitt 0.62 m höher als 2012"

3.2 Ø-Gebäudehöhe pro Quartier

Berechnet mit der Firsthöhe der Gebäude, und gewichtet mit der jeweiligen Grundfläche. Tabellen sind nach der durchschnittlichen Firsthöhe sortiert.

3.2.1 Firsthöhe

3.2.1.1 Aktueller Gebäudestand (Firsthöhe)

temp_quartiere_volume <- buildings_aktuell %>% st_drop_geometry() %>% group_by(Quartier) %>% summarise(sum_volume_firs = sum(volume_firs))
temp_quartiere_area <- buildings_aktuell %>% st_drop_geometry() %>% group_by(Quartier) %>% summarise(sum_area = sum(area))

res_quartiere_aktuell <- temp_quartiere_volume %>% left_join(temp_quartiere_area) %>%
                                                   left_join(grenzen, by = c("Quartier" = "qname")) %>% 
                                                   mutate(avg_height_firs = sum_volume_firs / sum_area) 

res_quartiere_aktuell$avg_height_firs <- res_quartiere_aktuell$avg_height_firs

st_geometry(res_quartiere_aktuell) <- st_geometry(res_quartiere_aktuell$geometry)

res_quartiere_aktuell[, "color"] <- "lightgreen"
res_quartiere_aktuell[res_quartiere_aktuell$avg_height_firs > 15, "color"] <- "green"
res_quartiere_aktuell[res_quartiere_aktuell$avg_height_firs > 17, "color"] <- "yellow"
res_quartiere_aktuell[res_quartiere_aktuell$avg_height_firs > 19, "color"] <- "orange"
res_quartiere_aktuell[res_quartiere_aktuell$avg_height_firs > 21, "color"] <- "red"
res_quartiere_aktuell[res_quartiere_aktuell$avg_height_firs > 23, "color"] <- "darkred"

res_quartiere_aktuell %>% st_drop_geometry() %>%
                          dplyr::select(-c("objectid", "objid", "qnr", "knr")) %>% 
                          arrange(-avg_height_firs) %>% 
                          knitr::kable( caption =  "Aktueller Gebäudestand: Durchschnittliche Firsthöhe", digits = 1) %>%
                          kable_styling(bootstrap_options = "striped", full_width = F, fixed_thead = T) %>% 
                          scroll_box(height = "400px", fixed_thead = TRUE)

Aktueller Gebäudestand: Durchschnittliche Firsthöhe

Quartier	sum_volume_firs	sum_area	kname	avg_height_firs	color
City	4717335	209478.5	Kreis 1	22.5	red
Escher Wyss	9114336	415164.1	Kreis 5	22.0	red
Lindenhof	2339557	107410.1	Kreis 1	21.8	red
Langstrasse	6192741	302957.4	Kreis 4	20.4	orange
Hochschulen	2558738	125915.4	Kreis 1	20.3	orange
Werd	2268007	115313.4	Kreis 4	19.7	orange
Rathaus	2433442	131355.2	Kreis 1	18.5	yellow
Enge	7464714	406079.8	Kreis 2	18.4	yellow
Alt-Wiedikon	8372181	457419.0	Kreis 3	18.3	yellow
Gewerbeschule	4156077	230049.8	Kreis 5	18.1	yellow
Seefeld	2913681	161541.5	Kreis 8	18.0	yellow
Sihlfeld	5800006	332606.3	Kreis 3	17.4	yellow
Oberstrass	5990324	349472.9	Kreis 6	17.1	yellow
Altstetten	15887635	976629.4	Kreis 9	16.3	green
Mühlebach	2998366	184786.6	Kreis 8	16.2	green
Unterstrass	7754058	482970.8	Kreis 6	16.1	green
Wipkingen	4708862	302914.9	Kreis 10	15.5	green
Hard	5189835	334573.3	Kreis 4	15.5	green
Seebach	9670403	630860.8	Kreis 11	15.3	green
Oerlikon	10473289	687434.9	Kreis 11	15.2	green
Hottingen	5829686	385698.2	Kreis 7	15.1	green
Hirslanden	2672641	177554.0	Kreis 7	15.1	green
Fluntern	5002566	343959.4	Kreis 7	14.5	lightgreen
Albisrieden	6366740	455848.4	Kreis 9	14.0	lightgreen
Wollishofen	6871398	507416.4	Kreis 2	13.5	lightgreen
Friesenberg	3161033	236509.7	Kreis 3	13.4	lightgreen
Weinegg	3534756	265270.8	Kreis 8	13.3	lightgreen
Höngg	7793036	598036.0	Kreis 10	13.0	lightgreen
Affoltern	6375219	496236.6	Kreis 11	12.8	lightgreen
Hirzenbach	2671110	213022.3	Kreis 12	12.5	lightgreen
Saatlen	2145878	172138.9	Kreis 12	12.5	lightgreen
Leimbach	1430379	115088.3	Kreis 2	12.4	lightgreen
Schwamendingen-Mitte	2561141	208332.9	Kreis 12	12.3	lightgreen
Witikon	3288538	305382.0	Kreis 7	10.8	lightgreen

3.2.1.2 2012 Gebäudestand (Firsthöhe)

temp_quartiere_volume <- buildings_2012 %>% st_drop_geometry() %>% group_by(Quartier) %>% summarise(sum_volume_firs = sum(volume_firs))
temp_quartiere_area <- buildings_2012 %>% st_drop_geometry() %>% group_by(Quartier) %>% summarise(sum_area = sum(area))

res_quartiere_2012 <- temp_quartiere_volume %>% left_join(temp_quartiere_area) %>%
                                                   left_join(grenzen, by = c("Quartier" = "qname")) %>% 
                                                   mutate(avg_height_firs = sum_volume_firs / sum_area) 

res_quartiere_2012$avg_height_firs <- res_quartiere_2012$avg_height_firs

st_geometry(res_quartiere_2012) <- st_geometry(res_quartiere_aktuell$geometry)

res_quartiere_2012[, "color"] <- "lightgreen"
res_quartiere_2012[res_quartiere_2012$avg_height_firs > 15, "color"] <- "green"
res_quartiere_2012[res_quartiere_2012$avg_height_firs > 17, "color"] <- "yellow"
res_quartiere_2012[res_quartiere_2012$avg_height_firs > 19, "color"] <- "orange"
res_quartiere_2012[res_quartiere_2012$avg_height_firs > 21, "color"] <- "red"
res_quartiere_2012[res_quartiere_2012$avg_height_firs > 23, "color"] <- "darkred"

res_quartiere_2012 %>% st_drop_geometry() %>%
                       dplyr::select(-c("objectid", "objid", "qnr", "knr")) %>% 
                       arrange(-avg_height_firs) %>% 
                       knitr::kable( caption =  "Gebäudestand 2012: Durchschnittliche Firsthöhe", digits = 1) %>%
                       kable_styling(bootstrap_options = "striped", full_width = F, fixed_thead = T) %>% 
                       scroll_box(height = "400px", fixed_thead = TRUE)

Gebäudestand 2012: Durchschnittliche Firsthöhe

Quartier	sum_volume_firs	sum_area	kname	avg_height_firs	color
City	4753217	207489.4	Kreis 1	22.9	red
Lindenhof	2369492	107428.3	Kreis 1	22.1	red
Escher Wyss	8710222	408649.0	Kreis 5	21.3	red
Hochschulen	2600855	123859.6	Kreis 1	21.0	orange
Werd	2247893	112975.9	Kreis 4	19.9	orange
Langstrasse	5559638	279628.6	Kreis 4	19.9	orange
Rathaus	2433001	130747.1	Kreis 1	18.6	yellow
Enge	7217865	393440.0	Kreis 2	18.3	yellow
Gewerbeschule	4105910	226227.2	Kreis 5	18.1	yellow
Alt-Wiedikon	8019657	445421.1	Kreis 3	18.0	yellow
Seefeld	2801408	155967.3	Kreis 8	18.0	yellow
Oberstrass	5784543	331959.4	Kreis 6	17.4	yellow
Sihlfeld	5578941	326160.5	Kreis 3	17.1	yellow
Mühlebach	2910565	178598.2	Kreis 8	16.3	green
Unterstrass	7246978	455601.6	Kreis 6	15.9	green
Wipkingen	4610431	293442.8	Kreis 10	15.7	green
Altstetten	14338390	913470.6	Kreis 9	15.7	green
Hottingen	5962343	382202.7	Kreis 7	15.6	green
Hirslanden	2614081	172690.2	Kreis 7	15.1	green
Oerlikon	9898556	656090.0	Kreis 11	15.1	green
Hard	4818172	325856.9	Kreis 4	14.8	lightgreen
Fluntern	4774123	327918.6	Kreis 7	14.6	lightgreen
Seebach	8563823	588783.8	Kreis 11	14.5	lightgreen
Weinegg	3049381	229082.1	Kreis 8	13.3	lightgreen
Albisrieden	5694688	427814.1	Kreis 9	13.3	lightgreen
Friesenberg	3003618	229089.6	Kreis 3	13.1	lightgreen
Affoltern	5943337	457437.1	Kreis 11	13.0	lightgreen
Höngg	7257170	559942.8	Kreis 10	13.0	lightgreen
Wollishofen	6333826	493527.0	Kreis 2	12.8	lightgreen
Schwamendingen-Mitte	2555683	212074.7	Kreis 12	12.1	lightgreen
Leimbach	1273073	106251.4	Kreis 2	12.0	lightgreen
Hirzenbach	2251437	194645.5	Kreis 12	11.6	lightgreen
Saatlen	1696391	149898.5	Kreis 12	11.3	lightgreen
Witikon	3091332	289263.0	Kreis 7	10.7	lightgreen

3.2.1.3 Veränderung 2012 bis heute (Firsthöhe)

Differenz der durchschnittlichen Firsthöhe zwischen 2012 und heute (Stand Juli 2020).

rot/orange: Zunahme der Gebäudehöhe
Grün: Abnahme der Gebäudehöhe

res_quartiere_dif_firs <- res_quartiere_2012 %>% dplyr::select(c("Quartier", "objectid", "objid", "qnr", "knr", "kname", "geometry"))
res_quartiere_dif_firs[, "avg_height_firs_2012"] <- st_drop_geometry(res_quartiere_2012[, "avg_height_firs"])
res_quartiere_dif_firs[, "avg_height_firs_aktuell"] <- st_drop_geometry(res_quartiere_aktuell[, "avg_height_firs"])

# increase:
res_quartiere_dif_firs <- res_quartiere_dif_firs %>% mutate(avg_height_firs_increase = avg_height_firs_aktuell - avg_height_firs_2012)

# increase in percent:
res_quartiere_dif_firs <- res_quartiere_dif_firs %>% mutate(increase_firs_percent = avg_height_firs_increase/avg_height_firs_2012*100)

# Farben für Grafik 
res_quartiere_dif_firs[, "color"] <- "green"
res_quartiere_dif_firs[res_quartiere_dif_firs$avg_height_firs_increase > -0.25, "color"] <- "white"
res_quartiere_dif_firs[res_quartiere_dif_firs$avg_height_firs_increase > +0.25, "color"] <- "orange"
res_quartiere_dif_firs[res_quartiere_dif_firs$avg_height_firs_increase > +0.75, "color"] <- "red"
res_quartiere_dif_firs[res_quartiere_dif_firs$avg_height_firs_increase > +1.25, "color"] <- "darkred"


## Tabelle 
res_quartiere_dif_firs %>% st_drop_geometry() %>%
                           dplyr::select(-c("objectid", "objid", "qnr", "knr")) %>% 
                           arrange(-avg_height_firs_increase) %>% 
                           knitr::kable(caption =  "Veränderung der durchschnittliche Firsthöhe in Metern", digits = 1,
                                        col.names = c("Quartier", "kname", 
                                                      "Ø-Höhe 2012", "Ø-Höhe aktuell", "Erhöhung", "Erhöhung %", "Farbe")) %>%
                           kable_styling(bootstrap_options = "striped", full_width = F, fixed_thead = T) %>% 
                           scroll_box(height = "400px", fixed_thead = TRUE)

Veränderung der durchschnittliche Firsthöhe in Metern

Quartier	kname	Ø-Höhe 2012	Ø-Höhe aktuell	Erhöhung	Erhöhung %	Farbe
Saatlen	Kreis 12	11.3	12.5	1.1	10.2	red
Hirzenbach	Kreis 12	11.6	12.5	1.0	8.4	red
Seebach	Kreis 11	14.5	15.3	0.8	5.4	red
Hard	Kreis 4	14.8	15.5	0.7	4.9	orange
Wollishofen	Kreis 2	12.8	13.5	0.7	5.5	orange
Albisrieden	Kreis 9	13.3	14.0	0.7	4.9	orange
Escher Wyss	Kreis 5	21.3	22.0	0.6	3.0	orange
Altstetten	Kreis 9	15.7	16.3	0.6	3.6	orange
Langstrasse	Kreis 4	19.9	20.4	0.6	2.8	orange
Leimbach	Kreis 2	12.0	12.4	0.4	3.7	orange
Sihlfeld	Kreis 3	17.1	17.4	0.3	1.9	orange
Alt-Wiedikon	Kreis 3	18.0	18.3	0.3	1.7	orange
Friesenberg	Kreis 3	13.1	13.4	0.3	1.9	orange
Schwamendingen-Mitte	Kreis 12	12.1	12.3	0.2	2.0	white
Unterstrass	Kreis 6	15.9	16.1	0.1	0.9	white
Oerlikon	Kreis 11	15.1	15.2	0.1	1.0	white
Witikon	Kreis 7	10.7	10.8	0.1	0.8	white
Seefeld	Kreis 8	18.0	18.0	0.1	0.4	white
Höngg	Kreis 10	13.0	13.0	0.1	0.5	white
Enge	Kreis 2	18.3	18.4	0.0	0.2	white
Weinegg	Kreis 8	13.3	13.3	0.0	0.1	white
Fluntern	Kreis 7	14.6	14.5	0.0	-0.1	white
Mühlebach	Kreis 8	16.3	16.2	-0.1	-0.4	white
Rathaus	Kreis 1	18.6	18.5	-0.1	-0.4	white
Gewerbeschule	Kreis 5	18.1	18.1	-0.1	-0.5	white
Hirslanden	Kreis 7	15.1	15.1	-0.1	-0.6	white
Affoltern	Kreis 11	13.0	12.8	-0.1	-1.1	white
Wipkingen	Kreis 10	15.7	15.5	-0.2	-1.1	white
Werd	Kreis 4	19.9	19.7	-0.2	-1.2	white
Lindenhof	Kreis 1	22.1	21.8	-0.3	-1.2	green
Oberstrass	Kreis 6	17.4	17.1	-0.3	-1.6	green
City	Kreis 1	22.9	22.5	-0.4	-1.7	green
Hottingen	Kreis 7	15.6	15.1	-0.5	-3.1	green
Hochschulen	Kreis 1	21.0	20.3	-0.7	-3.2	green

## Plot
df_plot <- res_quartiere_dif_firs %>% st_transform(4326)

m <- leaflet() %>% addTiles() %>%
                   addPolygons(data = df_plot, color = "black", fillColor  = ~color, weight = 2, fillOpacity = 0.5,
                               popup = ~str_c('Durchschnittliche Firsthöhe Heute: ', round(avg_height_firs_aktuell, 1), " m", "<br>",
                                              'Durchschnittliche Erhöhung 2012 bis heute: ', round(avg_height_firs_increase, 1), " m", "<br>",
                                              "Quartier: ", Quartier))
m

3.2.2 Traufhöhe:

3.2.2.1 Aktueller Gebäudestand (Traufhöhe)

temp_quartiere_volume <- buildings_aktuell %>% st_drop_geometry() %>% group_by(Quartier) %>% summarise(sum_volume_trauf = sum(volume_trauf))
temp_quartiere_area <- buildings_aktuell %>% st_drop_geometry() %>% group_by(Quartier) %>% summarise(sum_area = sum(area))

res_quartiere_aktuell <- temp_quartiere_volume %>% left_join(temp_quartiere_area) %>%
                                                   left_join(grenzen, by = c("Quartier" = "qname")) %>% 
                                                   mutate(avg_height_trauf = sum_volume_trauf / sum_area) 

res_quartiere_aktuell$avg_height_trauf <- res_quartiere_aktuell$avg_height_trauf

st_geometry(res_quartiere_aktuell) <- st_geometry(res_quartiere_aktuell$geometry)

res_quartiere_aktuell[, "color"] <- "lightgreen"
res_quartiere_aktuell[res_quartiere_aktuell$avg_height_trauf > 15, "color"] <- "green"
res_quartiere_aktuell[res_quartiere_aktuell$avg_height_trauf > 17, "color"] <- "yellow"
res_quartiere_aktuell[res_quartiere_aktuell$avg_height_trauf > 19, "color"] <- "orange"
res_quartiere_aktuell[res_quartiere_aktuell$avg_height_trauf > 21, "color"] <- "red"
res_quartiere_aktuell[res_quartiere_aktuell$avg_height_trauf > 23, "color"] <- "darkred"

res_quartiere_aktuell %>% st_drop_geometry() %>%
                       dplyr::select(-c("objectid", "objid", "qnr", "knr")) %>% 
                       arrange(-avg_height_trauf) %>% 
                       knitr::kable(caption =  "Aktueller Gebäudestand: Durchschnittliche Traufhöhe",
                                    digits = 1) %>%
                       kable_styling(bootstrap_options = "striped", full_width = F, fixed_thead = T) %>% 
                       scroll_box(height = "400px", fixed_thead = TRUE)

Aktueller Gebäudestand: Durchschnittliche Traufhöhe

Quartier	sum_volume_trauf	sum_area	kname	avg_height_trauf	color
Escher Wyss	8104693	415164.1	Kreis 5	19.5	orange
City	3636940	209478.5	Kreis 1	17.4	yellow
Langstrasse	5030099	302957.4	Kreis 4	16.6	green
Lindenhof	1768884	107410.1	Kreis 1	16.5	green
Hochschulen	1972535	125915.4	Kreis 1	15.7	green
Werd	1753160	115313.4	Kreis 4	15.2	green
Alt-Wiedikon	6903059	457419.0	Kreis 3	15.1	green
Enge	5659841	406079.8	Kreis 2	13.9	lightgreen
Gewerbeschule	3184717	230049.8	Kreis 5	13.8	lightgreen
Seebach	8714283	630860.8	Kreis 11	13.8	lightgreen
Sihlfeld	4541625	332606.3	Kreis 3	13.7	lightgreen
Altstetten	13278110	976629.4	Kreis 9	13.6	lightgreen
Rathaus	1783011	131355.2	Kreis 1	13.6	lightgreen
Seefeld	2191028	161541.5	Kreis 8	13.6	lightgreen
Oerlikon	8908534	687434.9	Kreis 11	13.0	lightgreen
Hard	4255882	334573.3	Kreis 4	12.7	lightgreen
Oberstrass	4407770	349472.9	Kreis 6	12.6	lightgreen
Mühlebach	2264540	184786.6	Kreis 8	12.3	lightgreen
Unterstrass	5854263	482970.8	Kreis 6	12.1	lightgreen
Albisrieden	5246881	455848.4	Kreis 9	11.5	lightgreen
Wipkingen	3481934	302914.9	Kreis 10	11.5	lightgreen
Saatlen	1921934	172138.9	Kreis 12	11.2	lightgreen
Hirzenbach	2347305	213022.3	Kreis 12	11.0	lightgreen
Fluntern	3730057	343959.4	Kreis 7	10.8	lightgreen
Friesenberg	2562443	236509.7	Kreis 3	10.8	lightgreen
Hottingen	4166328	385698.2	Kreis 7	10.8	lightgreen
Affoltern	5267791	496236.6	Kreis 11	10.6	lightgreen
Wollishofen	5340922	507416.4	Kreis 2	10.5	lightgreen
Höngg	6244638	598036.0	Kreis 10	10.4	lightgreen
Hirslanden	1839704	177554.0	Kreis 7	10.4	lightgreen
Weinegg	2740162	265270.8	Kreis 8	10.3	lightgreen
Schwamendingen-Mitte	2149301	208332.9	Kreis 12	10.3	lightgreen
Leimbach	1165321	115088.3	Kreis 2	10.1	lightgreen
Witikon	2549095	305382.0	Kreis 7	8.3	lightgreen

3.2.2.2 2012 Gebäudestand (Traufhöhe)

temp_quartiere_volume <- buildings_2012 %>% st_drop_geometry() %>% group_by(Quartier) %>% summarise(sum_volume_trauf = sum(volume_trauf))
temp_quartiere_area <- buildings_2012 %>% st_drop_geometry() %>% group_by(Quartier) %>% summarise(sum_area = sum(area))

res_quartiere_2012 <- temp_quartiere_volume %>% left_join(temp_quartiere_area) %>%
                                                   left_join(grenzen, by = c("Quartier" = "qname")) %>% 
                                                   mutate(avg_height_trauf = sum_volume_trauf / sum_area) 

res_quartiere_2012$avg_height_trauf <- res_quartiere_2012$avg_height_trauf

st_geometry(res_quartiere_2012) <- st_geometry(res_quartiere_aktuell$geometry)

res_quartiere_2012[, "color"] <- "lightgreen"
res_quartiere_2012[res_quartiere_2012$avg_height_trauf > 15, "color"] <- "green"
res_quartiere_2012[res_quartiere_2012$avg_height_trauf > 17, "color"] <- "yellow"
res_quartiere_2012[res_quartiere_2012$avg_height_trauf > 19, "color"] <- "orange"
res_quartiere_2012[res_quartiere_2012$avg_height_trauf > 21, "color"] <- "red"
res_quartiere_2012[res_quartiere_2012$avg_height_trauf > 23, "color"] <- "darkred"

res_quartiere_2012 %>% st_drop_geometry() %>%
                       dplyr::select(-c("objectid", "objid", "qnr", "knr")) %>% 
                       arrange(-avg_height_trauf) %>% 
                       knitr::kable( caption =  "Gebäudestand 2012: Durchschnittliche Traufhöhe", digits = 1) %>%
                       kable_styling(bootstrap_options = "striped", full_width = F, fixed_thead = T) %>% 
                       scroll_box(height = "400px", fixed_thead = TRUE)

Gebäudestand 2012: Durchschnittliche Traufhöhe

Quartier	sum_volume_trauf	sum_area	kname	avg_height_trauf	color
Escher Wyss	7535886	408649.0	Kreis 5	18.4	yellow
City	3588447	207489.4	Kreis 1	17.3	yellow
Lindenhof	1764781	107428.3	Kreis 1	16.4	green
Langstrasse	4395559	279628.6	Kreis 4	15.7	green
Hochschulen	1897755	123859.6	Kreis 1	15.3	green
Werd	1713959	112975.9	Kreis 4	15.2	green
Alt-Wiedikon	6448343	445421.1	Kreis 3	14.5	lightgreen
Gewerbeschule	3118003	226227.2	Kreis 5	13.8	lightgreen
Rathaus	1778719	130747.1	Kreis 1	13.6	lightgreen
Enge	5274200	393440.0	Kreis 2	13.4	lightgreen
Seefeld	2062392	155967.3	Kreis 8	13.2	lightgreen
Sihlfeld	4264197	326160.5	Kreis 3	13.1	lightgreen
Seebach	7539861	588783.8	Kreis 11	12.8	lightgreen
Oerlikon	8284751	656090.0	Kreis 11	12.6	lightgreen
Oberstrass	4177853	331959.4	Kreis 6	12.6	lightgreen
Altstetten	11207043	913470.6	Kreis 9	12.3	lightgreen
Mühlebach	2160592	178598.2	Kreis 8	12.1	lightgreen
Hard	3736141	325856.9	Kreis 4	11.5	lightgreen
Unterstrass	5217015	455601.6	Kreis 6	11.5	lightgreen
Wipkingen	3321147	293442.8	Kreis 10	11.3	lightgreen
Hottingen	4218718	382202.7	Kreis 7	11.0	lightgreen
Fluntern	3433600	327918.6	Kreis 7	10.5	lightgreen
Friesenberg	2381624	229089.6	Kreis 3	10.4	lightgreen
Albisrieden	4417105	427814.1	Kreis 9	10.3	lightgreen
Hirslanden	1764335	172690.2	Kreis 7	10.2	lightgreen
Affoltern	4660662	457437.1	Kreis 11	10.2	lightgreen
Höngg	5627411	559942.8	Kreis 10	10.0	lightgreen
Schwamendingen-Mitte	2117692	212074.7	Kreis 12	10.0	lightgreen
Hirzenbach	1902121	194645.5	Kreis 12	9.8	lightgreen
Saatlen	1443410	149898.5	Kreis 12	9.6	lightgreen
Weinegg	2179419	229082.1	Kreis 8	9.5	lightgreen
Leimbach	1009814	106251.4	Kreis 2	9.5	lightgreen
Wollishofen	4509723	493527.0	Kreis 2	9.1	lightgreen
Witikon	2353183	289263.0	Kreis 7	8.1	lightgreen

3.2.2.3 Veränderung 2012 bis heute (Traufhöhe)

Differenz der durchschnittlichen Traufhöhe zwischen 2012 und heute (Stand Juli 2020).

rot/orange: Zunahme der Gebäudehöhe
Grün: Abnahme der Gebäudehöhe

res_quartiere_dif_trauf <- res_quartiere_2012 %>% dplyr::select(c("Quartier", "objectid", "objid", "qnr", "knr", "kname", "geometry"))
res_quartiere_dif_trauf[, "avg_height_trauf_2012"] <- st_drop_geometry(res_quartiere_2012[, "avg_height_trauf"])
res_quartiere_dif_trauf[, "avg_height_trauf_aktuell"] <- st_drop_geometry(res_quartiere_aktuell[, "avg_height_trauf"])

# increase:
res_quartiere_dif_trauf <- res_quartiere_dif_trauf %>% mutate(avg_height_trauf_increase = avg_height_trauf_aktuell - avg_height_trauf_2012)

# increase in percent:
res_quartiere_dif_trauf <- res_quartiere_dif_trauf %>% mutate(increase_trauf_percent = avg_height_trauf_increase/avg_height_trauf_2012*100)

# Farben für Grafik 
res_quartiere_dif_trauf[, "color"] <- "green"
res_quartiere_dif_trauf[res_quartiere_dif_trauf$avg_height_trauf_increase > -0.25, "color"] <- "white"
res_quartiere_dif_trauf[res_quartiere_dif_trauf$avg_height_trauf_increase > +0.25, "color"] <- "orange"
res_quartiere_dif_trauf[res_quartiere_dif_trauf$avg_height_trauf_increase > +0.75, "color"] <- "red"
res_quartiere_dif_trauf[res_quartiere_dif_trauf$avg_height_trauf_increase > +1.25, "color"] <- "darkred"

## Tabelle 
res_quartiere_dif_trauf %>% st_drop_geometry() %>%
                       dplyr::select(-c("objectid", "objid", "qnr", "knr")) %>% 
                       arrange(-avg_height_trauf_increase) %>% 
                       knitr::kable(caption =  "Veränderung der durchschnittliche Traufhöhe in Metern", digits = 1,
                                    col.names = c("Quartier", "kname", 
                                                  "Ø-Höhe 2012", "Ø-Höhe aktuell", "Erhöhung", "Erhöhung %", "Farbe")) %>%
                       kable_styling(bootstrap_options = "striped", full_width = F, fixed_thead = T) %>% 
                       scroll_box(height = "400px", fixed_thead = TRUE)

Veränderung der durchschnittliche Traufhöhe in Metern

Quartier	kname	Ø-Höhe 2012	Ø-Höhe aktuell	Erhöhung	Erhöhung %	Farbe
Saatlen	Kreis 12	9.6	11.2	1.5	15.9	darkred
Wollishofen	Kreis 2	9.1	10.5	1.4	15.2	darkred
Altstetten	Kreis 9	12.3	13.6	1.3	10.8	darkred
Hard	Kreis 4	11.5	12.7	1.3	10.9	darkred
Hirzenbach	Kreis 12	9.8	11.0	1.2	12.8	red
Albisrieden	Kreis 9	10.3	11.5	1.2	11.5	red
Escher Wyss	Kreis 5	18.4	19.5	1.1	5.9	red
Seebach	Kreis 11	12.8	13.8	1.0	7.9	red
Langstrasse	Kreis 4	15.7	16.6	0.9	5.6	red
Weinegg	Kreis 8	9.5	10.3	0.8	8.6	red
Unterstrass	Kreis 6	11.5	12.1	0.7	5.9	orange
Leimbach	Kreis 2	9.5	10.1	0.6	6.5	orange
Alt-Wiedikon	Kreis 3	14.5	15.1	0.6	4.2	orange
Sihlfeld	Kreis 3	13.1	13.7	0.6	4.4	orange
Enge	Kreis 2	13.4	13.9	0.5	4.0	orange
Friesenberg	Kreis 3	10.4	10.8	0.4	4.2	orange
Affoltern	Kreis 11	10.2	10.6	0.4	4.2	orange
Höngg	Kreis 10	10.0	10.4	0.4	3.9	orange
Fluntern	Kreis 7	10.5	10.8	0.4	3.6	orange
Hochschulen	Kreis 1	15.3	15.7	0.3	2.2	orange
Seefeld	Kreis 8	13.2	13.6	0.3	2.6	orange
Oerlikon	Kreis 11	12.6	13.0	0.3	2.6	orange
Schwamendingen-Mitte	Kreis 12	10.0	10.3	0.3	3.3	orange
Witikon	Kreis 7	8.1	8.3	0.2	2.6	white
Wipkingen	Kreis 10	11.3	11.5	0.2	1.6	white
Mühlebach	Kreis 8	12.1	12.3	0.2	1.3	white
Hirslanden	Kreis 7	10.2	10.4	0.1	1.4	white
City	Kreis 1	17.3	17.4	0.1	0.4	white
Gewerbeschule	Kreis 5	13.8	13.8	0.1	0.4	white
Lindenhof	Kreis 1	16.4	16.5	0.0	0.2	white
Werd	Kreis 4	15.2	15.2	0.0	0.2	white
Oberstrass	Kreis 6	12.6	12.6	0.0	0.2	white
Rathaus	Kreis 1	13.6	13.6	0.0	-0.2	white
Hottingen	Kreis 7	11.0	10.8	-0.2	-2.1	white

## Plot
df_plot <- res_quartiere_dif_trauf %>% st_transform(4326)

m <- leaflet() %>% addTiles() %>%
                   addPolygons(data = df_plot, color = "black", fillColor  = ~color, weight = 2, fillOpacity = 0.5,
                               popup = ~str_c('Durchschnittliche Traufhöhe Heute: ', round(avg_height_trauf_aktuell, 1), " m", "<br>",
                                              'Durchschnittliche Erhöhung 2012 bis heute: ', round(avg_height_trauf_increase, 1), " m", "<br>",
                                              "Quartier: ", Quartier))

m

3.2.3 Traufhöhe vs. Firsthöhe

res_quartier_dif <- res_quartiere_dif_trauf %>% select(-c("color", "increase_trauf_percent")) %>% 
                                 left_join(st_drop_geometry(res_quartiere_dif_firs)[, c(
                                                                                        "avg_height_firs_2012", "avg_height_firs_aktuell", 
                                                                                        "avg_height_firs_increase",
                                                                                        "Quartier")], by = "Quartier")


colnames(res_quartier_dif)

##  [1] "Quartier"                  "objectid"                 
##  [3] "objid"                     "qnr"                      
##  [5] "knr"                       "kname"                    
##  [7] "geometry"                  "avg_height_trauf_2012"    
##  [9] "avg_height_trauf_aktuell"  "avg_height_trauf_increase"
## [11] "avg_height_firs_2012"      "avg_height_firs_aktuell"  
## [13] "avg_height_firs_increase"

res_quartier_dif %>% st_drop_geometry() %>%
                     dplyr::select(-c("objectid", "objid", "qnr", "knr")) %>% 
                     arrange(-avg_height_trauf_increase) %>% 
                     knitr::kable(caption =  "Veränderung der durchschnittlichen Gebäudehöhe in Metern", digits = 1,
                                  col.names = c("Quartier", "kname", 
                                                "Höhe 2012", 
                                                "Höhe Aktuell", 
                                                "Erhöhung",
                                                "Höhe 2012",
                                                "Höhe Aktuell",
                                                "Erhöhung")) %>%
                     kable_styling(bootstrap_options = "striped", full_width = F, fixed_thead = T) %>% 
                     add_header_above(c(" ", " ", "Traufhöhe" = 3, "Firsthöhe" = 3)) %>% 
                     scroll_box(height = "400px", fixed_thead = TRUE)

Veränderung der durchschnittlichen Gebäudehöhe in Metern

		Traufhöhe			Firsthöhe
Quartier	kname	Höhe 2012	Höhe Aktuell	Erhöhung	Höhe 2012	Höhe Aktuell	Erhöhung
Saatlen	Kreis 12	9.6	11.2	1.5	11.3	12.5	1.1
Wollishofen	Kreis 2	9.1	10.5	1.4	12.8	13.5	0.7
Altstetten	Kreis 9	12.3	13.6	1.3	15.7	16.3	0.6
Hard	Kreis 4	11.5	12.7	1.3	14.8	15.5	0.7
Hirzenbach	Kreis 12	9.8	11.0	1.2	11.6	12.5	1.0
Albisrieden	Kreis 9	10.3	11.5	1.2	13.3	14.0	0.7
Escher Wyss	Kreis 5	18.4	19.5	1.1	21.3	22.0	0.6
Seebach	Kreis 11	12.8	13.8	1.0	14.5	15.3	0.8
Langstrasse	Kreis 4	15.7	16.6	0.9	19.9	20.4	0.6
Weinegg	Kreis 8	9.5	10.3	0.8	13.3	13.3	0.0
Unterstrass	Kreis 6	11.5	12.1	0.7	15.9	16.1	0.1
Leimbach	Kreis 2	9.5	10.1	0.6	12.0	12.4	0.4
Alt-Wiedikon	Kreis 3	14.5	15.1	0.6	18.0	18.3	0.3
Sihlfeld	Kreis 3	13.1	13.7	0.6	17.1	17.4	0.3
Enge	Kreis 2	13.4	13.9	0.5	18.3	18.4	0.0
Friesenberg	Kreis 3	10.4	10.8	0.4	13.1	13.4	0.3
Affoltern	Kreis 11	10.2	10.6	0.4	13.0	12.8	-0.1
Höngg	Kreis 10	10.0	10.4	0.4	13.0	13.0	0.1
Fluntern	Kreis 7	10.5	10.8	0.4	14.6	14.5	0.0
Hochschulen	Kreis 1	15.3	15.7	0.3	21.0	20.3	-0.7
Seefeld	Kreis 8	13.2	13.6	0.3	18.0	18.0	0.1
Oerlikon	Kreis 11	12.6	13.0	0.3	15.1	15.2	0.1
Schwamendingen-Mitte	Kreis 12	10.0	10.3	0.3	12.1	12.3	0.2
Witikon	Kreis 7	8.1	8.3	0.2	10.7	10.8	0.1
Wipkingen	Kreis 10	11.3	11.5	0.2	15.7	15.5	-0.2
Mühlebach	Kreis 8	12.1	12.3	0.2	16.3	16.2	-0.1
Hirslanden	Kreis 7	10.2	10.4	0.1	15.1	15.1	-0.1
City	Kreis 1	17.3	17.4	0.1	22.9	22.5	-0.4
Gewerbeschule	Kreis 5	13.8	13.8	0.1	18.1	18.1	-0.1
Lindenhof	Kreis 1	16.4	16.5	0.0	22.1	21.8	-0.3
Werd	Kreis 4	15.2	15.2	0.0	19.9	19.7	-0.2
Oberstrass	Kreis 6	12.6	12.6	0.0	17.4	17.1	-0.3
Rathaus	Kreis 1	13.6	13.6	0.0	18.6	18.5	-0.1
Hottingen	Kreis 7	11.0	10.8	-0.2	15.6	15.1	-0.5

3.3 Veränderungen auf Gebäude-Ebene

Hier werden ebenfalls nur die “Bodenbebauungs-” Gebäude verwendet. Für die farbige Darstellung der Veränderung der Bauhöhen wird die Datengrundlage wie bei den Analysen weiter oben verwendet.

Die schwarz gezeichneten Grundrisse entsprechen immer den real existierenden Gebäuden im aktuellen Zustand, ohne projektierte Bauten (da dies am ehesten dem Bild entspricht das sich zur Zeit dem Leser zeigt). Zusätzlich werden zur besseren Lesbarkeit die Umrisse ALLER existierenden Bauten gezeichnet, also auch von Brücken und ähnlichen Bauten die in der Analyse nicht berücksichtigt werden.

## Funktion um Rasterkarten zu speichern oder anzuzeigen
# 
# quartier_name <- grenzen$qnam
# quartier_name <- c("Wollishofen", "Leimbach")
# 
# 
# quartier_name <- "Altstetten"
# file_name <- "Saatlen"
# status <-  c("real", "erstellt", "freigegeben")
# status <-  c("real")
# store_switch <- TRUE
# building_type <- "BB"

store_png_scale <- function(quartier_name, file_name, store_switch){
  
  # Gebäudetyp (BB oder EO) und Status wird bereits oben (Daten Check) ausgewählt
  a = buildings_2012    %>% filter(Quartier %in% quartier_name) %>% st_cast("POLYGON")
  b = buildings_aktuell %>% filter(Quartier %in% quartier_name) %>% st_cast("POLYGON")
  
  table(a$sta)
  table(b$sta)
  
  ## Dargestellte Gebäude
  vector_buildings <- shp_2_5_aktuell_all %>% filter(sta %in% c("real", "erstellt")) %>% 
                                              filter(Quartier %in% quartier_name)

  vector_planned <-   shp_2_5_aktuell_all %>% filter(sta %in% c("freigegeben")) %>% 
                                              filter(Quartier %in% quartier_name)
  
  vector_grenzen <- grenzen %>% filter(qname %in% quartier_name)

  ## Dargestellte Grundrisse
  
  
  ## Erstelle Raster
  
  r_2012 <- raster(a, res = 1)
  r_aktuell <- raster(b, res = 1)

  ## Origin anpassen sonst Fehler (Wieso?)
  origin(r_2012) <- c(0, 0)
  origin(r_aktuell) <- c(0, 0)
  
  r_2012 <- a %>% fasterize(r_2012, field = "h_rel_trau", fun="sum")
  r_aktuell <- b %>% fasterize(r_aktuell, field = "h_rel_trau", fun="sum")
  
  r_2012@data@values[is.na(r_2012@data@values)] <- 0
  r_aktuell@data@values[is.na(r_aktuell@data@values)] <- 0
  
  ## Differenz
  r_dif <- r_aktuell - r_2012

  
  ## Speichern und darstellen
  if(store_switch){
    png(paste(file_name, "_2012-heute", '.png',sep=''),width=r_dif@ncols,height=r_dif@nrows)
  }
  
  cuts=c(130, 10, 2, -2, -10, -130) #set breaks
  # colors <- brewer.pal(5, "BrBG")
  colors <- c("#8c510a","#dfc27d", "#00000000", "#80cdc1", "#01665e")
  colors[3] <- "#00000000"
  
  plot(r_dif, maxpixels=r_dif@ncols*r_dif@nrows, breaks=cuts, col = colors) # main = " "
  plot(vector_buildings$geometry, add = TRUE)
  plot(vector_grenzen$geometry, color = "blue", add = TRUE)
  if(store_switch){
    dev.off()
  }
}


# # Generiere PNGs von allen Quartieren nur bei Bedarf aktivieren
# for (i in 1:length(grenzen$qname)){
#   quartier <- grenzen$qname[i]
#   print(quartier)
#   store_png_scale(quartier, str_c(quartier, "_inkl_proj"), TRUE)
# 
# }

3.4 Leaflet Plots

prep_leaflet_plots <- function(quartier_name, file_name){
  
  # Gebäudetyp (BB oder EO) und Status wird bereits oben (Daten Check) ausgewählt
  a = buildings_2012    %>% filter(Quartier %in% quartier_name) %>% st_cast("POLYGON")
  b = buildings_aktuell %>% filter(Quartier %in% quartier_name) %>% st_cast("POLYGON")
  
  table(a$sta)
  table(b$sta)
  
  ## Dargestellte Gebäude
  vector_buildings <- shp_2_5_aktuell_all %>% filter(sta %in% c("real", "erstellt")) %>% 
                                              filter(Quartier %in% quartier_name)

  vector_planned <-   shp_2_5_aktuell_all %>% filter(sta %in% c("freigegeben")) %>% 
                                              filter(Quartier %in% quartier_name)
  
  vector_grenzen <- grenzen %>% filter(qname %in% quartier_name)

  ## Dargestellte Grundrisse
  
  
  ## Erstelle Raster
  
  r_2012 <- raster(a, res = 1)
  r_aktuell <- raster(b, res = 1)

  ## Origin anpassen sonst Fehler (Wieso?)
  origin(r_2012) <- c(0, 0)
  origin(r_aktuell) <- c(0, 0)
  
  r_2012 <- a %>% fasterize(r_2012, field = "h_rel_trau", fun="sum")
  r_aktuell <- b %>% fasterize(r_aktuell, field = "h_rel_trau", fun="sum")
  
  r_2012@data@values[is.na(r_2012@data@values)] <- 0
  r_aktuell@data@values[is.na(r_aktuell@data@values)] <- 0
  
  ## Differenz
  r_dif <<- r_aktuell - r_2012

  ## Def Farben
  cuts <- c(130, 10, 2, -2, -10, -130) #set breaks
  colors_plot <<- c("#8c510a","#dfc27d", "#00000000", "#80cdc1", "#01665e")
  # colors_plot[3] <- "#00000000"
  col_pal <<- colorBin(colors_plot, domain = c(-130, 130), bins = cuts, na.color = "#00000000")

  ## Plot mit leaflet()
    
  vector_buildings[vector_buildings$sta == "erstellt", "sta"] <- "Gebaut"
  vector_buildings[vector_buildings$sta == "real", "sta"] <- "Gebaut"
  vector_planned[vector_planned$sta == "freigegeben", "sta"] <- "Geplant"
  
  table(vector_planned$sta)
  
  df_buildings <<- vector_buildings %>% st_transform(4326)
  df_planned <<- vector_planned %>% st_transform(4326)
  df_borders <<- vector_grenzen %>% st_transform(4326)
  
  
  ## 0 Werte auf NA, damit transpartent in leaflet()
  r_dif@data@values[r_dif@data@values == 0] <<- NA
  
  ## +/-2m Werte auf NA, damit transpartent in leaflet()
  r_dif@data@values[(r_dif@data@values < 2) & (r_dif@data@values > -2)] <<- NA
  
}

3.4.1 Plot Hard

prep_leaflet_plots("Hard")
m <- leaflet(options = leafletOptions(minZoom = 13, maxZoom = 18)) %>%  
                   addProviderTiles(providers$CartoDB.Positron) %>% 
                   setView(8.514483, 47.382471, zoom = 15) %>% 
                   addRasterImage(r_dif, opacity = 0.5, colors = col_pal) %>%
                   addPolygons(data = df_buildings, color = "black", weight = 2,
                               fill = TRUE, fillOpacity = 0,
                               popup = ~str_c("Gebäudehöhe: ", h_rel_trau, " m <br>",
                                              "Status: ", sta)) %>% 
                   addPolygons(data = df_planned, color = "black", weight = 2,
                               dashArray = c(5, 5),
                               fill = TRUE, fillOpacity = 0,
                               popup = ~str_c("Gebäudehöhe: ", h_rel_trau, " m <br>",
                                              "Status: ", sta)) %>% 
                   addPolygons(data = df_borders, color = "black", weight = 3,
                               dashArray = c(5, 5),
                               fill = FALSE, fillOpacity = 0) %>% 
                   addMarkers(8.510041, 47.381294,
                               label = "Hardau Hochhäuser",
                               labelOptions = labelOptions(noHide = T)) %>%
                   addMarkers(8.519395, 47.381831,
                               label = "Polizei- und Justizzentrum (PJZ)",
                               labelOptions = labelOptions(noHide = T)) %>%
                   addLegend(colors = rev(colors_plot[-3]),
                             labels = (c("Mehr als 10m", "2 bis 10m",
                                         # "Weniger als 2m", 
                                         "2 bis 10m tiefer", "mehr als 10 Meter tiefer")),
                             title = "Erhöhung seit 2012",
                             position = "bottomright") # %>% 
m

3.4.2 Plot Escher Wyss

prep_leaflet_plots("Escher Wyss")
m <- leaflet(options = leafletOptions(minZoom = 13, maxZoom = 18)) %>%  
                   addProviderTiles(providers$CartoDB.Positron) %>% 
                                  # providers$CartoDB.Positron
                                  # providers$Stamen.Toner
                                  # providers$Jawg.Light
                   setView(8.514555, 47.382545, zoom = 15) %>% 
                   addRasterImage(r_dif, opacity = 0.5, colors = col_pal) %>%
                   addPolygons(data = df_buildings, color = "black", weight = 2,
                               fill = TRUE, fillOpacity = 0,
                               popup = ~str_c("Gebäudehöhe: ", h_rel_trau, " m <br>",
                                              "Status: ", sta)) %>% 
                   addPolygons(data = df_planned, color = "black", weight = 2,
                               dashArray = c(5, 5),
                               fill = TRUE, fillOpacity = 0,
                               popup = ~str_c("Gebäudehöhe: ", h_rel_trau, " m <br>",
                                              "Status: ", sta)) %>% 
                   addPolygons(data = df_borders, color = "black", weight = 3,
                               dashArray = c(5, 5),
                               fill = FALSE, fillOpacity = 0) %>% 
                   addMarkers(8.511765, 47.390203,
                               label = "Hochschule der Künste",
                               labelOptions = labelOptions(noHide = T)) %>%
                   addMarkers(8.517221, 47.386053,
                               label = "Prime Tower",
                               labelOptions = labelOptions(noHide = T)) %>%
                   addLegend(colors = rev(colors_plot[-3]),
                             labels = (c("Mehr als 10m", "2 bis 10m",
                                         # "Weniger als 2m", 
                                         "2 bis 10m tiefer", "mehr als 10 Meter tiefer")),
                             title = "Erhöhung seit 2012",
                             position = "bottomright") # %>% 
m

3.5 Statische PNG Plots

3.5.1 Beispiele: Saatlen

store_png_scale("Saatlen", "Saatlen", FALSE)

3.5.2 Beispiele: Wollishofen

store_png_scale("Wollishofen", "Wollishofen", FALSE)

3.5.3 Beispiele: Altstetten

store_png_scale("Altstetten", "Altstetten", FALSE)

3.5.4 Beispiele: Seebach

store_png_scale("Seebach", "Seebach", FALSE)

3.5.5 Beispiele: Alt Wiedikon

store_png_scale("Hirzenbach", "Hirzenbach", FALSE)

3.5.6 Beispiele: Langstrasse

store_png_scale("Langstrasse", "Langstrasse", FALSE)

3.5.7 Beispiele: Wollishofen

store_png_scale("Wollishofen", "Wollishofen", FALSE)

3.5.8 Beispiele: Escher Wyss

store_png_scale("Escher Wyss", "Escher Wyss", FALSE)

4 Analyse Hochhäuser

Wie viele Hochhäuser (höher als 25 m) gibt es?

Das kantonale Planungs- und Baugesetzt definiert ein Hochhaus ab einer Gebäudehöhe von 25 Metern.

Visualisierung Hochhäuser Stadt Zürich: https://hochhaeuser.stadt-zuerich.ch/

h_hochhaus <- 25

## Anzahl REAL existierender Hochhäuser, basierend auf TRAUFHÖHE

## Wie viele im 2012?
hoch_2012 <- shp_2_5_2012_all %>% filter(sta %in% c("erstellt", "real")) %>%
                                  filter(h_rel_trau > h_hochhaus)
hoch_quartiere_2012 <- hoch_2012 %>% st_drop_geometry() %>% group_by(Quartier) %>%
                                     summarise(Anzahl_2012 = n(),
                                               Area_2012 = sum(area),
                                               Volume_2012 = sum(volume_trauf),
                                                max_height_2012 = max(h_rel_trau))
## Wie viele im aktuell?
hoch_aktuell <- shp_2_5_aktuell_all %>% filter(sta %in% c("erstellt", "real")) %>%
                                        filter(h_rel_trau > h_hochhaus)
hoch_quartiere_aktuell <- hoch_aktuell %>% st_drop_geometry() %>% group_by(Quartier) %>%
                                           summarise(Anzahl_aktuell = n(),
                                                     Area_aktuell = sum(area),
                                                     Volume_aktuell = sum(volume_trauf),
                                                     max_height_aktuell = max(h_rel_trau))


## Wie viele sind aktuell geplant?
hoch_aktuell_geplant <- shp_2_5_aktuell_all %>% filter(sta %in% c("freigegeben", "eingereicht")) %>%
                                                filter(h_rel_trau > h_hochhaus)

hoch_quartiere_aktuell_geplant <- hoch_aktuell_geplant %>% st_drop_geometry() %>% group_by(Quartier) %>%
                                                           summarise(Anzahl_geplant = n(),
                                                                     Area_geplant = sum(area),
                                                                     Volume_geplant = sum(volume_trauf),
                                                                     max_height_geplant = max(h_rel_trau))

## Setze zusammen und berechne Veränderungen
hoch_quartiere <- hoch_quartiere_aktuell %>% left_join(hoch_quartiere_2012, by = "Quartier")
hoch_quartiere <- hoch_quartiere %>% mutate(Anzahl_increase = Anzahl_aktuell - Anzahl_2012 ,
                                            Area_increase = Area_aktuell - Area_2012,
                                            Volume_increase = Volume_aktuell - Volume_2012)

## Ergänze noch geplante Gebäude (eingereichte UND freigegebene Bauprojekte)
hoch_quartiere <- hoch_quartiere %>% left_join(hoch_quartiere_aktuell_geplant, by = "Quartier")

## Tabelle

hoch_quartiere_table <- hoch_quartiere %>% arrange(-Area_aktuell ) %>% 
                                           mutate_at(vars(-Quartier), funs(round(., 0))) 

# knitr::kable(hoch_quartiere_table, caption =  "", digits = 0) %>%
#   kable_styling(bootstrap_options = "striped", full_width = F, fixed_thead = T) %>%
#   scroll_box(width = "1080", height = "250px", fixed_thead = TRUE)


sketch = htmltools::withTags(table(
  class = 'display',
  thead(
    tr(
      th(rowspan = 1, ' '),
      th(colspan = 3, 'Stand heute'),
      th(colspan = 2, 'Zuwachs 2012-heute'),
      th(colspan = 3, 'Heute neu geplant')
    ),
    tr(
      lapply(c("Quartier",
               "Fläche [m2]", "Volumen [m3]", "max. Höhe [m]",
               "Fläche [m2]", "Volumen [m3]",
               "Fläche [m2]", "Volumen [m3]", "max. Höhe [m]"), th)
    )
  )
))
# 
# DT::datatable(hoch_quartiere_table,
#               caption = 'Hochhäuser in den Quartieren',
#               class = 'cell-border stripe')



DT::datatable(hoch_quartiere_table[, c("Quartier",
                                       "Area_aktuell", "Volume_aktuell", "max_height_aktuell",
                                       "Area_increase", "Volume_increase",
                                       "Area_geplant", "Volume_geplant", "max_height_geplant")],
              container = sketch, rownames = FALSE,
              caption = 'Volumen und Grundfläche der Hochhäuser',
              class = 'cell-border stripe')

## Plot für Check
# df_plot <- hoch_aktuell_geplant %>% filter(Quartier == "Alt-Wiedikon") %>% 
#                                      st_transform(4326)
# 
# df_plot_grenzen <- grenzen %>% filter(qname == "Alt-Wiedikon") %>% st_transform(4326)
# 
# m <- leaflet() %>% addTiles() %>% addPolygons(data = df_plot_grenzen, color = "black", fillOpacity = 0) %>% 
#                                   addPolygons(data = df_plot, popup = ~str_c("Höhe: ", h_rel_trau, "<br>",
#                                                                              "Status: ", sta, "<br>"))
# m